基于D-LLE算法和圖像分塊的人臉識別方法

丁 嬌

（安徽信息工程學(xué)院，安徽 蕪湖 241000）

基于D-LLE算法和圖像分塊的人臉識別方法

丁 嬌

（安徽信息工程學(xué)院，安徽 蕪湖 241000）

人臉識別是當(dāng)前計算機(jī)視覺領(lǐng)域的一個研究熱點(diǎn)，在日常生活中的應(yīng)用也非常廣泛。近年來，流形被認(rèn)為是視覺感知的基礎(chǔ)，利用流形學(xué)習(xí)算法可以尋找圖像的內(nèi)在特征。文章提出一種基于差異性值監(jiān)督LLE（D-LLE）算法和圖像分塊的人臉識別方法，首先對提取的人臉圖像進(jìn)行分塊，然后利用D-LLE算法進(jìn)行人臉子圖像集特征提取，最后使用最近鄰分類器進(jìn)行人臉圖像識別。通過與現(xiàn)有人臉識別方法進(jìn)行仿真結(jié)果比較，該方法能夠取得較好的識別效果。

人臉識別；差異性值監(jiān)督LLE算法；特征提?。粓D像分塊；最近鄰分類器

生物識別是指計算機(jī)、各種傳感器和生物統(tǒng)計學(xué)的組合，主要識別人體的固有生物特性。生物識別技術(shù)[1]主要包括指紋識別、虹膜識別、人臉識別、語音識別等。近年來，隨著計算機(jī)安全技術(shù)的快速發(fā)展，生物識別技術(shù)的應(yīng)用越來越廣泛，如國防、金融、商業(yè)等領(lǐng)域。

人臉識別主要是指在視頻或圖像中能夠自動進(jìn)行人臉識別，廣泛應(yīng)用于如身份識別、視頻會議、視頻監(jiān)控和視頻檢索等領(lǐng)域。人臉識別相對于虹膜識別和指紋識別，具有識別友好、易于接受、難以偽造、成本低等優(yōu)勢，因此具有非常重要的理論和實(shí)踐價值。人臉識別系統(tǒng)有兩個不可或缺的部分：特征提取和分類識別。首先提取代表人臉的原始特征信息，并加以處理，然后分類識別處理后的有用特征信息，最終進(jìn)行人臉圖像的類別信息確定。

由于人臉識別技術(shù)在日常生活中應(yīng)用越來越廣泛，對人臉識別需要的時間以及準(zhǔn)確度就有著越來越高的要求。為了降低分類器處理人臉高維特征數(shù)據(jù)的計算量，縮短識別時間，研究人員[2-8]將流形學(xué)習(xí)算法應(yīng)用于人臉識別技術(shù)。流形學(xué)習(xí)算法主要是從現(xiàn)存的高維數(shù)據(jù)集中挖掘出潛在的低維空間結(jié)構(gòu)，實(shí)現(xiàn)高維特征數(shù)據(jù)的降維。而監(jiān)督流形學(xué)習(xí)算法首先對已知類別信息的訓(xùn)練樣本進(jìn)行學(xué)習(xí)，因此更有利于樣本的分類識別。同時，為了提高人臉圖像識別的準(zhǔn)確率，需要采用有效的方法進(jìn)行人臉圖像特征信息的獲取，因此，本文提出一種基于監(jiān)督流形學(xué)習(xí)算法和圖像分塊的人臉識別方法，首先對提取的人臉圖像進(jìn)行分塊，然后利用監(jiān)督流形學(xué)習(xí)算法進(jìn)行人臉子圖像集特征提取，最后使用最近鄰分類器進(jìn)行人臉圖像識別。通過與現(xiàn)有人臉識別方法進(jìn)行仿真結(jié)果比較，本文提出的方法能夠取得較好的人臉圖像識別率。

1 人臉識別技術(shù)

人臉識別技術(shù)主要包括兩個研究方向：基于局部特征的人臉識別和基于全局特征的人臉識別?；谌痔卣鞯娜四樧R別方法將整幅人臉圖像作為一個二維數(shù)字矩陣，對該高維樣本矩陣進(jìn)行降維，提取具有代表性的低維有效特征，最后進(jìn)行低維特征參數(shù)的分類；基于局部特征的人臉識別方法則有效地區(qū)分人臉局部特征，例如，眼睛、鼻子的位置、大小和形狀，提取局部特征信息，然后進(jìn)行數(shù)據(jù)的降維以及分類識別。通過局部特征完成人臉識別，可以把人臉的局部變化控制在局部范圍，使之對全局影響較小，從而增加識別的魯棒性，也在一定程度上降低了計算的復(fù)雜度。因此，本文采用基于局部特征的人臉識別方法完成人臉圖像識別。

典型的人臉識別方法主要由圖像預(yù)處理、人臉特征提取和分類識別三部分組成。圖1所示為人臉識別過程。

圖1 人臉識別過程

2 差異性值監(jiān)督LLE（D-LLE）算法

2.1 流形及流形學(xué)習(xí)

“流形（Manifold）”是現(xiàn)代數(shù)學(xué)中一個重要概念。它集成了大量的數(shù)學(xué)知識，如代數(shù)、幾何、拓?fù)涞?，是二十世紀(jì)最具代表性的數(shù)學(xué)理論?！傲餍巍弊钤缬衫杪岢?，然后由希爾伯特對其進(jìn)行精確數(shù)學(xué)描述。

流形定義[9]：設(shè)M是一個拓?fù)淇臻g，如果它滿足下面的性質(zhì)：若x∈M，則存在x的鄰域U以及整數(shù)d≥0，使得U同胚于歐氏空間Rd，則稱M為d維的拓?fù)淞餍巍?/p>

流形學(xué)習(xí)定義[10]：存在一個高維數(shù)據(jù)集X＝{x1，x2，…，xn}?RD，設(shè)該數(shù)據(jù)集中的所有樣本是由低維空間中數(shù)據(jù)集 Y＝ {y1，y2，…，yn}?Rd，通過某未知的非線性映射 f產(chǎn)生，其中，xi=f（yi）+ εi，εi為噪聲，d<

2.2 差異性值監(jiān)督LLE（D-LLE）算法

記 X＝ {x1，x2，…，xn}?RD，為采樣得到的訓(xùn)練數(shù)據(jù)集，D-LLE算法[13]具體步驟為：

1）逐個計算訓(xùn)練數(shù)據(jù)集X中的樣本點(diǎn)x1與其它樣本點(diǎn)之間的歐式距離之和，并將參數(shù)β的值設(shè)置為所有樣本點(diǎn)之間歐式距離之和平均值；

2）由公式 （1）計算樣本的差異性值，并對樣本集中每個樣本點(diǎn)的差異性值進(jìn)行排序；設(shè)定近鄰點(diǎn)個數(shù)為K，選定差異值較小的樣本點(diǎn)作為該樣本點(diǎn)的K個近鄰點(diǎn)。

其中，α =0.25。

3）由樣本點(diǎn)xi與其K個近鄰點(diǎn)計算加權(quán)局部重構(gòu)權(quán)值矩陣W。樣本點(diǎn)xi權(quán)值矩陣W是由Wij構(gòu)成，其中Wij表示樣本點(diǎn)xi與其第j個近鄰點(diǎn)xj的權(quán)值，且滿足所有樣本點(diǎn)的權(quán)值之和為1，如公式（2）所示：

當(dāng)xj不是xi的近鄰點(diǎn)時，Wij為0。

權(quán)值矩陣W應(yīng)滿足重構(gòu)誤差函數(shù)ε（W）最小，ε（W）由公式 （3）計算得出；

4）由公式（4）和公式（5）計算樣本點(diǎn) xi的重要性值Dii；

式 （5）中，λ為調(diào)節(jié)參數(shù)。

5）yi表示樣本點(diǎn)xi在低維空間的映射，其計算方法為：Wij保持不變的前提下，使得加權(quán)誤差函數(shù) εi（W）最小，εi（W）由公式（6）計算得出，低維映射 yi∈Rd（d＜＜D）還應(yīng)滿足公式（8）所示約束條件，

6）計算訓(xùn)練樣本集X對應(yīng)的低維映射Y，具體計算過程為：先計算稀疏矩陣M的特征值，選定較小的（d+1）個特征值并計算出對應(yīng)的特征向量構(gòu)成為Y；由于第一個特征值幾乎為零，所以Y實(shí)際為X的2～d+1個特征值對應(yīng)的特征向量。

7）計算測試樣本TestX的低維映射TestY。具體過程為：尋找測試樣本點(diǎn)Xnew在訓(xùn)練樣本集中的K個近鄰點(diǎn)；重復(fù)步驟 3）—6）計算出測試樣本點(diǎn)Xnew的低維映射，如公式（9）所示：

3 基于D-LLE算法和圖像分塊的人臉識別方法

本文提出一種基于D-LLE算法和圖像分塊的人臉識別方法，首先對提取的人臉圖像進(jìn)行分塊，然后利用D-LLE算法進(jìn)行人臉子圖像集特征提取，最后使用最近鄰分類器進(jìn)行人臉圖像識別。該方法具體流程如圖2所示。

圖2 基于D-LLE算法和圖像分塊的人臉識別方法流程圖

3.1 圖像分塊

在對人臉圖像進(jìn)行識別的過程中，最常用的圖像預(yù)處理操作是將人臉圖像進(jìn)行子模塊劃分。而圖像劃分的方法有很多種：根據(jù)圖像內(nèi)容特性劃分；根據(jù)圖像灰度劃分；使用簡單的幾何方式進(jìn)行圖像分割。

本文首先將提取的人臉圖像分為大小相等和互不重疊的子圖像，該圖像劃分方法簡單易行，子圖像的大小則可以通過實(shí)驗(yàn)確定最佳參數(shù)。本文將每幅人臉圖像均分成25個子圖像塊，每幅人臉圖像中對應(yīng)位置的子圖像構(gòu)成子圖像集合，由于圖像被劃分成了25個子塊，因此總共有25個子圖像集，即I=25。圖像分塊處理過程如圖3所示。

圖3 圖像分塊過程

3.2 圖像特征提取

對所有完整的人臉圖像進(jìn)行分塊，可以得到多個子圖像集，即人臉圖像的原始高維特征數(shù)據(jù)，為了能夠快速識別待測對象，本文采用DLLE算法對獲得的高維人臉特征信息進(jìn)行降維。使用D-LLE對子圖像集特征進(jìn)行提取，一方面能夠很好地解釋子圖像的非線性流形分布結(jié)構(gòu)，另一方面，由于引入了樣本圖像的類別信息，因此有利于待測樣本的分類識別。

設(shè)有N個訓(xùn)練人臉圖像，即采樣數(shù)據(jù)集為Xk＝ {xk1，xk2，…，xkN}，k=1，2， …I表示樣本中第 K個子圖像構(gòu)成的訓(xùn)練集合，每個圖像被劃分為I個子圖像，Yk＝ {yk1，yk2，…，ykN}表示相應(yīng)的低維嵌入表示。

通過D-LLE監(jiān)督流形學(xué)習(xí)算法對高維子圖像集特征進(jìn)行投影，從而得到子圖像集的低維特征。

3.3 分類識別

由于一幅人臉圖像被劃分成均等的25個子圖像，因此需要向所求的25個特征空間進(jìn)行投影，故應(yīng)該存在25個分類結(jié)果。本文采用最近鄰分類器結(jié)合投票機(jī)制來決定每個待測樣本的類別信息，從而完成人臉圖像的識別。

3.4 實(shí)驗(yàn)結(jié)果分析

將本文提出方法（SubD-LLE）與現(xiàn)有方法PCA、LLE、SubLLE和SubPCA等進(jìn)行實(shí)驗(yàn)比較。其中，SubPCA是基于PCA和圖像分塊的人臉識別方法，SubLLE是基于LLE和圖像分塊的人臉識別方法。

實(shí)驗(yàn)所用人臉圖像全部來源于Yale數(shù)據(jù)庫，該數(shù)據(jù)庫由耶魯大學(xué)創(chuàng)建，庫中包含了15個人共165張人臉圖像。本文選取的人臉圖像如圖4所示，圖像內(nèi)容從左到右依次改變，包括微笑、高興、悲傷、恐懼、驚喜等表情，以及佩戴或不佩戴眼鏡。

圖4 Yale數(shù)據(jù)庫同一個人的人臉圖像

圖5 Yale數(shù)據(jù)庫人臉識別率和相應(yīng)嵌入維數(shù)

實(shí)驗(yàn)中，我們對庫中每個對象隨機(jī)選擇其中六幅人臉圖像形成訓(xùn)練樣本集，剩余五幅則構(gòu)成測試樣本集，因此，采用90幅人臉圖像進(jìn)行訓(xùn)練，75幅人臉圖像用于測試。首先對所有人臉圖像進(jìn)行預(yù)處理，將其分割為100×100尺寸大小，然后再將預(yù)處理后的人臉圖像分成大小相等的25塊子圖像。在識別的過程中，隨機(jī)選擇其中20次識別結(jié)果，然后將這20次識別結(jié)果的平均值作為待測樣本圖像最終的識別結(jié)果。實(shí)驗(yàn)過程中，對于LLE、SubLLE和SubD-LLE算法，鄰域參數(shù)k取值為7。

各種算法對人臉圖像識別結(jié)果如圖5所示，可以看出，SubD-LLE算法的識別性能最好，因?yàn)樵撍惴軌虮３衷几呔S空間局部線性結(jié)構(gòu)在低維空間的不變，同時還有效利用了樣本的類別信息。

表1 各算法平均識別率

4 總結(jié)

人臉識別是當(dāng)前計算機(jī)視覺領(lǐng)域的一個研究熱點(diǎn)，在日常生活中應(yīng)用也越來越廣泛。本文提出一種基于差異性值監(jiān)督LLE（D-LLE）算法和圖像分塊的人臉識別方法，首先對提取的人臉圖像進(jìn)行分塊，然后利用D-LLE算法進(jìn)行人臉子圖像集特征提取，最后使用最近鄰分類器進(jìn)行人臉圖像識別。通過在Yale人臉數(shù)據(jù)庫上進(jìn)行仿真，并與現(xiàn)存類似算法進(jìn)行比較，實(shí)驗(yàn)結(jié)果表明，本文提出的方法能夠很好地識別人臉圖像，由此可見，文中所提方法具備一定的有效性和可行性。

[1]王淑艷.有監(jiān)督流形學(xué)習(xí)在人臉識別中的應(yīng)用研究[D].長春:東北師范大學(xué)，2010.

[2]汪煉.基于半監(jiān)督流形學(xué)習(xí)的人臉識別算法研究[D].合肥:安徽大學(xué)，2010.

[3]李小麗，陳鍛生.基于LLE+LDA的人臉識別方法[J].計算機(jī)應(yīng)用，2007，（S2）:85-86.

[4]鄒云波，余昌勤，李小彥.基于LLE和PCA的人臉識別算法研究[J].云南民族大學(xué)學(xué)報（自然科學(xué)版），2013，（S1）:58-61.

[5]陳高曙，曾慶寧.基于LLE算法的人臉識別方法[J].計算機(jī)應(yīng)用研究，2007，（10）:176-177.

[6]王婷，楊國勝，薛長松.若干人臉識別算法的比較研究[J].河南大學(xué)學(xué)報（自然科學(xué)版)，2007，（02）:91-193.

[7]韓爭勝，李映，張艷寧.基于LDA算法的人臉識別方法的比較研究[J].微電子學(xué)與計算機(jī)，2005，（7）:131-133.

[8]謝永林.LDA算法及其在人臉識別中的應(yīng)用[J].計算機(jī)工程與應(yīng)用，2010，（19）:189-192.

[9]雷迎科.流形學(xué)習(xí)算法及其應(yīng)用研究[D].合肥:中國科學(xué)技術(shù)大學(xué)，2011.

[10]周志華，王玨.機(jī)器學(xué)習(xí)[M].北京:清華大學(xué)出版社，2007.

[11]ROWEIS S T，SAUL L K.Nonlinear dimensionality reduction by locally linear embedding[J].Science，2000，（5500）:2323-2326.

[12]TENENBAUM J B，SILVA V，LANGFORD J C.A global geometric framework for nonlinear dimensionality reduction[J].Science，2000，（5500）:2319-2323.

[13]丁嬌，梁棟，閻慶.基于D-LLE算法的多特征植物葉片圖像識別方法[J].計算機(jī)工程與應(yīng)用，2015，（9）:158-163.

A STUDY OF FACE RECOGNITION METHOD BASED ON D-LLE ALGORITHM AND IMAGE BLOCK

DING Jiao
（Anhui Institute of Information Technology，Wuhu Anhui 241000）

Face recognition is a hot research topic in the field of computer vision,and its application in daily life is also very extensive.In recent years,the manifold is considered to be the basis of visual perception.Manifold learning algorithm can be used to find the inherent characteristics of the images.This paper proposes a face recognition method based on dissimilarity–supervised locally linear embedding algorithm and image block.At first,the the extracted facial images are divided into blocks,and then D-LLE algorithm is used to extract features of face sub-images,finally the nearest neighbor classifier is applied to identify the face images.Compared with the existing face recognition methods,the proposed approach can achieve better recognition effect.

Facerecognition；Dissimilarity-supervisedLLEalgorithm；Featureextraction;Imageblock；Nearestneighborclassifier

TP391

A

：1672-2868（2017）03-0055-06

責(zé)任編輯：陳 侃

2017-03-10

安徽省省級特色（品牌）專業(yè)（項(xiàng)目編號：2016tszy044）

丁嬌（1989-），女，安徽銅陵人。安徽信息工程學(xué)院，助教。研究方向：模式識別。